Revision as of 16:00, 18 October 2024

1 Introducción

La fiebre chikungunya es una enfermedad viral transmitida a los humanos por mosquitos del género Aedes [1]. El virus, que da nombre a la enfermedad, se describió en humanos por primera vez en 1952 en Tanzania, África, donde entre el 60% y el 80% de la población presentó síntomas de artralgia, fiebre y erupciones cutáneas. Muchas personas, tras el periodo agudo de la enfermedad, continuaron experimentando dolores articulares durante meses [2].

Entre 1960 y 1990, hubo brotes de fiebre chikungunya en varios países africanos, como República Democrática del Congo, Uganda, Angola, Sudáfrica y Nigeria [3]. En América, el primer caso se reportó en la isla de San Martín ubicada en el Caribe} en 2013, y para diciembre de 2014, la enfermedad se había extendido a 17 países sudamericanos. Actualmente, se ha identificado en 45 países en el Caribe, América del Norte, América del Sur y América Central [3].

En México, el primer caso importado de fiebre chikungunya se presentó en mayo de 2014 [4]. A finales de ese año, se reportaron 155 casos en los estados de Chiapas, Guerrero, Oaxaca, Sonora y Sinaloa. Para la semana epidemiológica 40, en 2015 se habían contabilizado 8,668 casos confirmados, siendo Guerrero el estado con la mayor cantidad de infectados, con el 18.38% [5]. Al final de ese año, se confirmaron un total de 12,588 casos de chikungunya en México [6].

Cuando una persona es picada por un mosquito infectado, los síntomas suelen comenzar entre 3 y 7 días después del período de incubación. Durante este tiempo, el virus se multiplica en el organismo del infectado, pero la persona no presenta síntomas ni es contagiosa para otros. Los síntomas incluyen dolor intenso en las articulaciones, fiebre superior a 39°C, dolor muscular y, ocasionalmente, náuseas, vómitos y erupciones cutáneas. El dolor articular puede ser tan intenso que resulta debilitante o incapacitante [2]. Tras una semana, la mayoría de los pacientes experimenta una notable mejora: la fiebre, el cansancio y la artralgia disminuyen significativamente en 1 o 2 semanas, aunque frecuentemente se produce una recaída [7]. Actualmente, no existe un tratamiento específico para la infección por chikungunya; el manejo se limita a aliviar los síntomas con medicación analgésica y antiinflamatoria [2].

Se ha reportado el fenómeno de recaída en las infecciones por chikungunya [8,9,10]. La recaída se define como la reaparición de artralgia debido a la persistencia del virus en las células del tejido musculoesquelético después de un período sin síntomas de al menos una semana [8] o después de un mes [10]. En un estudio de cohortes realizado en Francia, basado en datos de un sistema de vigilancia de laboratorio, se confirmó la infección inicial mediante una prueba de anticuerpos o PCR (reacción en cadena de la polimerasa). En ese estudio, se reportaron recaídas de artralgia en el 72% de los pacientes; el número promedio de recaídas fue de 4 y el tiempo promedio entre dos recaídas fue de 8 semanas [8]. Por otro lado, un estudio transversal realizado en Acapulco, Guerrero, en diciembre de 2015, encontró que el 66% de la población (3,531 de 5,870 personas) autoreportó haber estado infectada; el 31.1% de las personas que sufrieron chikungunya (1,098 de 3,531) reportaron al menos una recaída después de un mes de recuperarse de la enfermedad. De estos, el 13% experimentó una recaída, el 12% tuvo dos recaídas, el 4% reportó tres recaídas y solo el 2% mencionó más de cuatro recaídas [10].

La edad como factor de riesgo es común en las enfermedades infecciosas transmitidas por vectores. En el caso del chikungunya, un estudio de seropositividad reportó la frecuencia de positivos al virus en los siguientes grupos etarios: 33% en el grupo de 0 a 19 años, 62% en el de 20 a 39 años, 67.4% en el de 40 a 49 años, 75% en el de 50 a 59 años, 59% en el de 60 a 69 años, 25% en el de 70 a 79 años y 33% en el de 80 años y más [11], lo que muestra una variabilidad en la susceptibilidad al virus.

La variabilidad en el período de recaídas y en la susceptibilidad al virus del chikungunya motivó a Vázquez-Peña, Vargas-De-León y Velázquez-Castro [12] a desarrollar un modelo hospedero-vector que considera tanto la edad cronológica como la edad de la infección asintomática. Este modelo se presentará en la Sección 2.

A partir de este modelo hospedero-vector con dos estructuras de edad, obtendremos un modelo en ecuaciones diferenciales ordinarias para el virus del chikungunya, tal como fue propuesto por Vázquez-Peña et al. [13], el cual se discutirá en la Sección 3.

En este trabajo, se propone estimar los parámetros y el número reproductivo básico utilizando un enfoque Bayesiano con los datos del brote de chikungunya en Acapulco, Guerrero [10]. Para ello, emplearemos el modelo hospedero-vector presentado en la Sección 3. La metodología del enfoque Bayesiano se describirá en la Sección 4, mientras que la estimación Bayesiana de los parámetros y del número reproductivo básico (12) se presentará en la Sección 5. Finalmente, en la Sección 6, se realizarán algunos comentarios finales.

2 Modelo hospedero-vector con dos estructura de edades

Denotamos por ${\textstyle N_{h}}$ y ${\textstyle N_{v}}$$ el número total de hospederos y vectores, respectivamente. Las poblaciones de hospederos y vectores se dividen en clases disjuntas según su estado epidemiológico. Para los hospederos, consideramos cuatro grupos: susceptibles (${\textstyle S_{h}(t,\tau )}$), infectados (${\textstyle I_{h}(t,\tau )}$), asintomáticos (${\textstyle A_{h}(t,\omega )}$) y recuperados (${\textstyle R_{h}(t,\tau )}$). En contraste, los vectores se dividen únicamente en susceptibles (${\textstyle S_{v}(t)}$) e infectados (${\textstyle I_{v}(t)}$).

La edad cronológica se denota por ${\textstyle \tau }$, de manera que ${\textstyle s_{h}(t,\tau )}$ representa la cantidad de hospederos susceptibles con edad cronológica ${\textstyle \tau }$ en el tiempo ${\textstyle t}$. Entonces, el total de hospederos susceptibles está dado por

Suponemos que la probabilidad de transmisión del vector al hospedero depende de la edad del hospedero, lo cual se denota por ${\textstyle \beta _{h}(\tau )}$.

La tasa de transmisión del vector infectado al hospedero susceptible está definida por ${\textstyle {\frac {b}{N_{h}}}\beta _{h}(\tau )s_{h}(t,\tau )I_{v}(t)}$, donde ${\textstyle b}$ es el promedio de picaduras por unidad de tiempo y ${\textstyle {\frac {b}{N_{h}}}}$ representa el número promedio de picaduras por unidad de tiempo por cada hospedero. Esto significa que se está distribuyendo el número total de picaduras entre el total de hospedero. Al mismo tiempo, la clase de hospederos susceptibles disminuye debido a la muerte natural a una tasa ${\textstyle \mu _{h}}$ y a alguna estrategia de prevención, como la vacunación, enfocada únicamente a ciertos grupos de edad, la cual será modelada por el parámetro ${\textstyle \rho (\tau )}$. Por lo tanto, definimos ${\textstyle \varepsilon (\tau )=\mu _{h}+\rho (\tau )}$.

Bajo estas hipótesis, se formula la primera ecuación del modelo:

Suponemos que todos los individuos nacen susceptibles a una tasa ${\textstyle \mu _{h}N_{h}}$, de manera que obtenemos la condición de frontera:

Una vez que un hospedero se ha infectado, permanece en dicha clase hasta que los síntomas desaparecen a una tasa ${\textstyle \gamma }$ o por muerte por causas naturales a una tasa ${\textstyle \mu _{h}}$. Consideramos que una fracción ${\textstyle p}$ no se recuperará y pasará a la fase asintomática durante un tiempo ${\textstyle \omega }$, que representa la edad de la infección asintomática. La clase de hospederos asintomáticos se representa por ${\textstyle a_{h}(t,\omega )}$, donde

es el total de hospederos asintomáticos. Además, la tasa en que los síntomas de la enfermedad vuelven a manifestarse depende de la edad de la infección asintomática; por ende, los hospederos asintomáticos retornan a la clase de hospederos infectados en un tiempo ${\textstyle 1/\delta _{h}(\omega )}$. Con esto, se propone la segunda ecuación del modelo.

La clase de hospederos asintomáticos se reduce cuando los síntomas vuelven a manifestarse o por muerte por causas naturales, lo que da lugar a la siguiente ecuación del modelo:

Los hospederos infectados entran en la clase asintomática a una tasa ${\textstyle p\gamma }$, comenzando el conteo de la edad de la infección asintomática, lo que se traduce en la condición de frontera

Los hospederos infectados se recuperan de manera permanente a una tasa ${\textstyle (1-p)\gamma }$ y permanecen en esa clase hasta la muerte por causas naturales a una tasa ${\textstyle \mu _{h}}$, lo que se representa en la cuarta ecuación diferencial del modelo

En cuanto a los vectores, suponemos que nacen y mueren a la misma tasa ${\textstyle \mu _{v}}$. Un vector nace susceptible y se infecta al picar a una persona con el virus, ya sea un hospedador infectado o un hospedador asintomático. De manera análoga al caso de los hospedadores, la tasa de transmisión ${\textstyle {\frac {\beta _{v}b}{N_{h}}}S_{v}(t)I_{h}(t)}$ depende de la probabilidad de que el contacto entre un hospedador infectado y un vector susceptible sea efectivo. Esta probabilidad se modela con el producto de la probabilidad de transmisión del virus ${\textstyle \beta _{v}}$ y el número promedio de picaduras por unidad de tiempo por cada hospedero ${\textstyle {\frac {b}{N_{h}}}}$. Adicionalmente, se introduce el parámetro ${\textstyle \kappa }$ para tener en cuenta que la probabilidad de transmisión de un hospedero infectado a un vector es mayor que la tasa de transmisión de un hospedero asintomático a un vector. Por lo tanto, se considera que ${\textstyle 0\leq \kappa \leq 1}$. Bajo estas suposiciones, obtenemos la quinta ecuación del modelo:

Después de que el vector se infecta de la forma descrita, permanece en esa clase hasta morir, lo que se modela en la última ecuación del modelo:

Por lo que se obtiene el siguiente sistema integro-diferencial recientemente propuesto por Vázquez-Peña, Vargas-De-León y Velázquez-Castro para el virus de chikungunya [12].

Si consideramos que el tamaño de la población de vectores se mantiene constante en el tiempo, ${\textstyle N_{v}=S_{v}(t)+I_{v}(t)}$, y observamos que la variable ${\textstyle R(t)}$ no esta acoplada en las demás ecuaciones, el modelo se reduce a

Las condiciones iniciales están dadas por

Donde ${\textstyle s_{h0}(\tau )}$ y ${\textstyle a_{h0}(\omega )}$ representan la distribución inicial de los huéspedes susceptibles y de los hospederos asintomáticos con edad cronológica y edad de infección asintomática, respectivamente. ${\textstyle I_{h0}}$ e ${\textstyle I_{v0}}$ son el número inicial de hospederos y de vectores infectados, respectivamente.

2.1 Propiedades del sistema

El número reproductivo básico para el modelo (4) fue obtenido en [12]

donde ${\textstyle D}$ está dada por

y ${\textstyle \eta }$ por

El punto de equilibrio libre de la enfermedad ${\textstyle E^{0}}$ del sistema integro-diferencial (4) se obtiene al considerar ${\textstyle I_{h}(t)}$, ${\textstyle a_{h}(t,\omega )}$ e ${\textstyle I_{v}(t)}$ iguales a cero simultáneamente, lo que resulta en ${\textstyle E^{0}=(s_{h}^{0}(\tau ),0,0,0)}$, donde

En [12], se utiliza una estrategia geométrica para demostrar la existencia del punto de equilibrio endémico ${\textstyle E^{*}=(s_{h}^{*}(\tau ),I_{h}^{*},a_{h}^{*}(\omega ),I_{m}^{*})}$ cuando ${\textstyle R_{0}(\tau ,\omega )>1}$.

Las propiedades de las soluciones a tiempos largos se resumen en el siguiente teorema:

Teorema 1: (Ver [12])

i) Si ${\textstyle R_{0}(\tau ,\omega )\leq {1}}$, el punto de equilibrio libre de la enfermedad ${\textstyle E^{0}}$ del sistema integro-diferencial (4) es global asintóticamente estable.

ii) Si ${\textstyle R_{0}(\tau ,\omega )>1}$, existe un único punto de equilibrio endémico ${\textstyle E^{*}}$ del sistema (4) y es global asintóticamente estable.

El ítem i) del Teorema 1 se demostró utilizando el segundo método de Lyapunov. Se construyó el siguiente funcional de Lyapunov ${\textstyle W(t)}$, que es una combinación de una funcional tipo Volterra ${\textstyle f(x)=x-1-\ln {x}}$ y funcionales lineales

donde ${\textstyle g_{0}(w)}$ es la siguiente función auxiliar:

para todo ${\textstyle w\geq {0}}$.

El ítem ii) del Teorema 1 se demostró usando una funcional de Lyapunov ${\textstyle L(t)}$, que es una combinación de funcionales tipo Volterra ${\textstyle f(x)=x-1-\ln {x}}$, definida por

donde ${\textstyle g_{e}(w)}$ es la siguiente función auxiliar:

para todo ${\textstyle w\geq {0}}$.

La estrategia de construcción de funcionales de Lyapunov tipo Volterra ha sido ampliamente utilizada en epidemiología matemática [14,15,16,17,18,19,20].

3 Modelo hospedero-vector independientemente de las edades

Usando las siguientes tranformaciones (1) y (2) donde ${\textstyle S_{h}(t)}$ es el total de hospederos susceptibles de cualquier edad cronológica y ${\textstyle A_{h}(t)}$ es el total de hospederos asintomáticos con cualquier edad de la infección asintomática. Además, para simplificar la complejidad del modelo, proponemos que las funciones dependientes de la edad se definan como constantes: ${\textstyle \delta _{h}(\omega )=\delta _{h}}$, ${\textstyle \beta _{h}(\tau )=\beta _{h}}$, y ${\textstyle \varepsilon _{h}(\tau )=\mu _{h}}$. Al integrar la primera ecuación del sistema (3) con respecto de ${\textstyle \tau }$ y la cuarta ecuación de (3) con respecto de ${\textstyle \omega }$ utilizando las respectivas condiciones de frontera, el sistema integro-diferencial (3) se reduce a un modelo en ecuaciones diferenciales ordinarias para el virus de chikungunya que ha sido estudiado por Vázquez-Peña et al. [13].

Considerando ambas poblaciones constantes ${\textstyle N_{h}=S_{h}+I_{h}+A_{h}+R_{h}}$ y ${\textstyle N_{v}=S_{v}+I_{v}}$ el sistema se reduce a

Las condiciones iniciales del sistema (11) están dadas por

Donde ${\textstyle I_{h0}}$ e ${\textstyle I_{v0}}$ no son cero simultáneamente.

La región factible de las soluciones del modelo (11) es

3.1 Número reproductivo básico

Para calcular el número reproductivo básico, Vázquez-Peña et al. [13] utilizaron el método de la matriz de la siguiente generación [21]. Separaron las ecuaciones en ${\textstyle {\boldsymbol {\mathcal {F}}}}$, que contiene los términos asociados a nuevas infecciones, y ${\textstyle {\boldsymbol {\mathcal {V}}}}$, que incluye los términos de transiciones individuales en cada clase, es decir,

y

Tras calcular las matrices Jacobianas de ${\textstyle {\boldsymbol {\mathcal {F}}}}$ y ${\textstyle {\boldsymbol {\mathcal {V}}}}$ y evaluarlas en el punto de equilibrio libre de la enfermedad ${\textstyle E^{0}=(N_{h},0,0,0)}$ se obtienen, respectivamente, una matriz no negativa ${\textstyle {\boldsymbol {\mathcal {F}}}}$ y una ${\textstyle M}$-matriz ${\textstyle {\boldsymbol {\mathcal {V}}}}$.

Entonces, el número reproductivo básico está dado por el radio espectral de la matriz ${\textstyle {\boldsymbol {\mathcal {F}}}{\boldsymbol {\mathcal {V}}}^{-1}}$, es decir

donde

${\textstyle R_{0}}$ denota el número promedio de casos secundarios que produce un individuo infectado al introducirlo a una población totalmente susceptible. Esto se puede entender de la siguiente manera: un mosquito infectado distribuye picaduras en la población humana durante el resto de su vida, y una proporción ${\textstyle {\frac {\beta _{h}bN_{v}}{\mu _{v}N_{h}}}}$ de estas picaduras se convierte en nuevas infecciones. Por otro lado, el número de nuevas infecciones en los mosquitos por parte de hospederos infectados y asintomáticos durante el periodo infeccioso está dado por ${\textstyle \beta _{v}b{\frac {\kappa p\gamma +\mu _{h}+\delta _{h}}{(\mu _{h}+\gamma )(\mu _{h}+\delta _{h})-\delta _{h}p\gamma }}}$, respectivamente. La media geométrica de estas dos cantidades, que es igual a ${\textstyle R_{0}}$, proporciona el número promedio de infecciones secundarias. En el contexto de enfermedades transmitidas por vectores, como el chikungunya, un ${\textstyle R_{0}>1}$ sugiere que la enfermedad se propagará en la población, mientras que un ${\textstyle R_{0}<1}$ indica que la enfermedad eventualmente se extinguirá.

3.2 Puntos de equilibrio y su estabilidad global

Además del punto de equilibrio libre de la enfermedad ${\textstyle E^{0}}$, el modelo (11) tiene un punto de equilibrio endémico ${\textstyle E^{*}=(S_{h}^{*},I_{h}^{*},A_{h}^{*},I_{v}^{*})}$, con

Dado que el sistema (11) es un caso particular del sistema integro-diferencial (4), obtenemos el siguiente corolario derivado del Teorema 1.

Corolario 1: i) Cuando ${\textstyle R_{0}\leq 1}$ entonces el punto de equilibrio libre de la enfermedad ${\textstyle E_{0}}$ del sistema (11) es global asintóticamente estable. ii) Cuando ${\textstyle R_{0}>1}$ entonces el punto de equilibrio endémico ${\textstyle E^{*}}$ del sistema (11) es global asintóticamente estable.

4 Estimación Bayesiana

4.1 Brote de chikungunya en Acapulco

En 2015, Acapulco, Guerrero, experimentó un brote de chikungunya. En [10] se realizó un estudio transversal para caracterizar dicho brote epidémico, que incluyó encuestas en 1,305 viviendas distribuidas en ocho conglomerados urbanos considerados representativos de Acapulco. En total, se administraron 5,870 cuestionarios, identificando 3,531 casos de chikungunya entre enero y diciembre de 2015. Para asegurar la representatividad en el estudio [10], se realizó un muestreo intencional que buscaba reflejar las condiciones urbanas promedio de Acapulco, lo cual es clave en contextos donde no se puede utilizar un muestreo probabilístico.

Para reducir el impacto de las fluctuaciones aleatorias o ruido en los datos reportados de los casos de chikungunya [10], se aplica el método de suavizamiento exponencial:

donde ${\textstyle F_{t+1}}$ es el pronóstico de casos de chikungunya para el tiempo ${\textstyle t+1}$ de la serie de tiempo, donde ${\textstyle Y_{t}}$ representa el valor observado de casos de chikungunya en el tiempo ${\textstyle t}$, ${\textstyle F_{t}}$ es el pronóstico de casos de chikungunya para el tiempo ${\textstyle t}$, y ${\textstyle \alpha }$ es la constante de suavizamiento (${\textstyle 0<\alpha <1}$). Se supone que el pronóstico inicial ${\textstyle F_{0}}$ de casos de chikungunya es igual al primer valor observado ${\textstyle Y_{0}}$. Con el suavizado, logramos obtener valores con menor variabilidad, lo que permite observar mejor la evolución de la serie temporal. La estimación Bayesiana se realizará con ${\textstyle F_{t+1}}$.

Utilizando los datos recabados por [10] sobre los casos mensuales autoinformados de chikungunya y el método de suavizamiento exponencial con un valor de ${\textstyle \alpha =0.7}$, se ajustará la curva de los humanos infectados $I_h$ para estimar de manera puntual y por intervalo los parámetros y el número reproductivo básico ${\textstyle R_{0}}$ (12) del modelo (11).

4.2 Modelo estadístico

Para ${\textstyle {\boldsymbol {y}}=(y(t_{1})}$, ${\textstyle y(t_{2}),\dots ,y(t_{n}))}$ el vector de ${\textstyle n}$ observaciones del número de humanos infectados (${\textstyle I_{h}(t)}$) en el tiempo ${\textstyle t}$, considere el siguiente modelo estadístico:

donde:

• ${\textstyle y(t_{i})}$ es el número de humanos infectados (${\textstyle I_{h}(t)}$) en el tiempo ${\textstyle t_{i}}$.
• ${\textstyle {\boldsymbol {\theta }}}$ es vector de parámetros en la estimación Bayesiana.
• ${\textstyle G({\mathcal {M}}(t_{i},{\boldsymbol {\theta }}))}$ es la solución numérica del modelo ${\textstyle {\mathcal {M}}}$ (11) con el método ${\textstyle G}$. En este caso se usó el método numérico de Runge-Kutta de orden 4.
• ${\textstyle \varepsilon (t_{i})}$ es el error aleatorio en el tiempo ${\textstyle t_{i}}$, los errores son independientes para cada tiempo, normalmente distribuidos con media cero y varianza ${\textstyle \sigma ^{2}}$.

4.3 Función de verosimilitud

Considerando el supuesto de normalidad ${\textstyle \varepsilon (t_{i})\sim N(0,\sigma ^{2})}$, entonces se tiene que ${\textstyle y_{i}(t_{i})\sim N\left(G({\mathcal {M}}(t_{i},{\boldsymbol {\theta }})),\sigma ^{2}\right)}$. Por tal razón, la función de verosimilitud de ${\textstyle {\boldsymbol {\theta }}}$ basada en ${\textstyle \mathbf {y} }$ está dada por la ecuación (16):

4.4 Distribución a priori y a posteriori

La estadística Bayesiana permite incorporar información o conocimiento de los parámetros al proceso de inferencia, esta información la especifica el investigador por medio de una distribución previa, frecuentemente se le denomina distribución a priori y la denotamos por ${\textstyle P({\boldsymbol {\theta }})}$, la distribución a priori puede restringir la inferencia de los parámetros a un intervalo de interés y asignar mayor probabilidad un subconjunto de los valores. Para proponer la distribución a prior de ${\textstyle {\boldsymbol {\theta }}}$ se investigó en la literatura los valores que se han reportado y se muestran en la Tabla 1.

El resultado de la inferencia Bayesiana es la llamada distribución a posteriori, por el teorema de Bayes la distribución a posteriori esta definida por (17):

donde

• ${\textstyle P({\boldsymbol {\theta }}\mid \mathbf {y} )}$ es la probabilidad a posteriori de ${\textstyle {\boldsymbol {\theta }}}$ dada un conjunto de observaciones ${\textstyle Y}$.
• ${\textstyle P(\mathbf {y} \mid {\boldsymbol {\theta }})}$ es la probabilidad de las observaciones ${\textstyle Y}$ para un valor específico del vector ${\textstyle {\boldsymbol {\theta }}}$.
• ${\textstyle P({\boldsymbol {\theta }})}$ distribución a priori.
• ${\textstyle P(\mathbf {y} )}$ es un constante de normalización ${\textstyle \int _{p}P(\mathbf {y} \mid {\boldsymbol {\theta }})P({\boldsymbol {\theta }})d{\boldsymbol {\theta }}}$.

Note que la expresión (17) esta bien definida si ${\textstyle P(\mathbf {y} )\neq {0}}$. ${\textstyle P(\mathbf {y} )}$ es constante, por tanto podemos reescribir (17) como (18):

En el proceso de inferencia, el objetivo es obtener analíticamente el valor medio de la distribución posterior de los parámetros. Para ello, es necesario marginalizar dicha distribución a posteriori.

Sin embargo, en la gran mayoría de los casos, la integral de la marginalización (19) no puede resolverse de forma analítica debido a la alta dimensionalidad de ${\textstyle P\left({\boldsymbol {\theta }}\mid {\boldsymbol {y}}\right)}$. En la práctica, se utiliza el método de Markov Chain Monte Carlo (MCMC) para realizar un muestreo aproximado de los elementos que conforman el vector de parámetros ${\textstyle {\boldsymbol {\theta }}}$ [28]. El MCMC emplea muestreadores como el algoritmo de Metropolis-Hastings, el algoritmo t-walk, el muestreador de Gibbs y el Hamiltoniano Monte Carlo (HMC).

El método MCMC construye una cadena de Markov a partir de los valores muestreados. Cada estado de la cadena corresponde a un valor de la distribución objetivo, y cada iteración del muestreo genera un nuevo estado que depende del estado anterior. Este proceso estocástico iterativo se continúa hasta que la cadena muestra convergencia. Es común que durante un período inicial los valores muestreados estén alejados del valor verdadero, por lo que se recomienda descartar este período inicial. A este período se le conoce como “periodo de quemado”.

Una vez obtenida la muestra de los parámetros de interés, para realizar inferencias se utiliza el estimador de Bayes ${\textstyle T^{B}}$, definido como la solución de 20.

con ${\textstyle L(T,{\boldsymbol {\theta }})=(T-{\boldsymbol {\theta }})^{2}}$ la función de pérdida cuadrática, se obtiene el mínimo en ${\textstyle T=E\left[{\boldsymbol {\theta }}\right]}$, es decir el estimador obtenido es el valor medio ${\textstyle T^{B}=E({\boldsymbol {\theta }})}$. Utilizamos este estimador para hacer inferencias en las densidades a posteriori.

Para la estimación por intervalo se utilizó el método de intervalos de alta densidad a posteriori (HPD, por sus siglas en inglés Highest Posterior Density). Se prefieren los intervalos HPD sobre el método de percentiles debido a que los HPD son los intervalos de menor longitud entre todos los posibles intervalos de probabilidad para un nivel de credibilidad deseado.

4.5 Método Hamiltoniano de Monte Carlo

El método de Hamiltoniano Monte Carlo (HMC) ha demostrado ser un muestreador más eficiente que los tradicionales. Su tasa de aceptación es aproximadamente el doble de la tasa de aceptación del algoritmo de Metropolis-Hastings [29]. Esta técnica de muestreo se basa en la mecánica Hamiltoniana para explorar distribuciones de alta dimensionalidad. El estudio detallado de esta técnica avanzada está fuera del alcance de este trabajo; para una comprensión más profunda de HMC, se recomienda consultar el trabajo de Betancourt [30].

4.6 Convergencia de Cadenas

• Método de inspección visual: Este método se basa en la observación empírica de las cadenas de Markov para verificar que sus trazas estén adecuadamente mezcladas. Es común que esta mezcla produzca visualmente una figura similar a una “oruga”.

• Diagnóstico de Gelman-Rubin: Este diagnóstico es uno de los más populares para determinar la convergencia de las cadenas de Markov. Se basa en comparar la varianza dentro de las cadenas con la varianza entre cadenas utilizando el cociente ${\textstyle {\hat {R}}}$ [31]. En la práctica, se considera que las cadenas convergen si ${\textstyle {\hat {R}}\leq 1.1}$, mientras que si ${\textstyle {\hat {R}}\geq 1.1}$, al menos una de las cadenas aún no ha convergido.

4.7 Software estadístico

En este trabajo se utilizó el lenguaje de programación Julia [32] con el paquete de análisis Bayesiano Turing.jl [33] para estimar los parámetros. Se ejecutaron tres cadenas de Markov, cada una inicializada de manera aleatoria y con 20,000 iteraciones. Las primeras 1,000 iteraciones de cada cadena se descartaron como periodo de quemado, resultando en una muestra final de 19,000 valores por cadena. El diagnóstico de convergencia de Gelman-Rubin se realizó por defecto utilizando el paquete Turing.

Se utilizo la paquetería MCMChains.jl [34] para estimar los intervalos de HPD al 95%

5 Resultados

En la Tabla 2, se presentan los resultados de la estimación Bayesiana para los parámetros del modelo, así como para el número reproductivo básico ${\textstyle R_{0}}$. La Tabla 2 muestra los valores de media, mediana, intervalos de HPD del 95% y los valores de Rhat para cada parámetro.

Las probabilidades de transmisión de vector a humano ${\textstyle \beta _{h}}$ y de humano a vector ${\textstyle \beta _{v}}$ tienen medias de 0.72 y 0.75, respectivamente, con intervalos de credibilidad del 95% de (0.46, 0.97) y (0.49, 0.98). Esto representa probabilidades altas de transmisión.

El promedio del número de picaduras ${\textstyle b}$ de los vectores es de 3.13, con un intervalo de credibilidad del 95% de (2.29, 4.00). La media de la tasa de muerte y nacimiento de vectores ${\textstyle \mu _{v}}$ es de 3.41 ${\textstyle {\hbox{mes}}^{-1}}$, con un intervalo de credibilidad del 95% de (2.08, 4.44), lo que equivale a un periodo de vida de los vectores de 6.7 a 14.4 ${\textstyle {\hbox{dias}}}$. Se estima una media del número total de vectores ${\textstyle N_{v}}$ de 19,18, con un intervalo de credibilidad del 95% de (12,58, 26,35).